Carl von Ossietzky Universität Oldenburg Hausarbeit ... - DIKO :: Index

Carl von Ossietzky Universität Oldenburg
Hausarbeit
VERWENDUNG PERSONALISIERTER
DATEN IM WEB
Fachbereich Informatik
Abteilung Informationssysteme
Prof. Dr. Appelrath
Projektgruppe Personalisierung internetbasierter
Handelszenarien
Christian Reitenberger
Hausbäker Weg 55,
26131 Oldenburg,
EMail: BaziR@gmx.de
Matrikel-Nr: 7289710
Studiengang
Wirtschaftswissenschaften
mit Schwerpunkt Informatik
24. Februar 2003
1

Zusammenfassung
Gegenwärtig ist zu beobachten, dass die Nachfragebedürfnisse der Kunden
schnell und oft wechseln. Die Anbieter, speziell die eines Online-Shops,
stehen deshalb vor der Herausforderung, ihre Produkte und Dienstleistungen
immer wieder auf die einzelnen Nachfrager personalisiert auszurichten.
Online-Shops haben durch hohe Bequemlichkeit und zeitunabhängiges
Einkaufen einen guten Stellenwert, jedoch fehlt den Kunden in vielen
Fällen Kundenbetreuung und der persönliche Kontakt. Die Personalisierung
gilt als probates Mittel, um die oben erwähnten Probleme zu lösen
und die Beziehung zwischen Anbietern und Kunden zu fördern. Gleichzeitig
wird die Personalisierung als Maßnahme gegen die wachsende Menge
an Informationen zunehmend wichtiger, um die Informationen für die
Kunden vorzufiltern. Personalisierung schafft Anbieterloyalität und Kundenbindung
und wird dadurch immer unverzichtbarer, speziell in Verbindung
mit dem immer noch als anonym angesehenen Internet.
Inhaltsverzeichnis
1 Einleitung 3
2 Personalisierung 3
2.1 Allgemeine Definition . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Vorteile der Personalisierung . . . . . . . . . . . . . . . . . . . . 5
2.3 Rechtliche Aspekte . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.4 Mögliche Anwendungsgebiete . . . . . . . . . . . . . . . . . . . . 7
3 Komponenten der Personalisierung 9
3.1 Formen der Personalisieung . . . . . . . . . . . . . . . . . . . . . 9
3.2 Einbinden der Informationen . . . . . . . . . . . . . . . . . . . . 10
3.3 Identifikation der Internetbenutzer . . . . . . . . . . . . . . . . . 10
3.3.1 Logfiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3.2 Cookies . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3.3 explizite Benutzerregistrierung . . . . . . . . . . . . . . . 14
4 Personalisierungstechniken 14
4.1 Clusteranalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.2 Recommender Systeme . . . . . . . . . . . . . . . . . . . . . . . . 16
4.3 Assoziationsund Sequenzanalyse . . . . . . . . . . . . . . . . . . 19
4.4 Klassifikationsanalyse . . . . . . . . . . . . . . . . . . . . . . . . 19
5 Praxisbeispiele 20
6 Fazit 23
2

1 Einleitung
Personalisierung wird in letzter Zeit als Instrument zur Kundenbindung und
Neukundengewinnung immer unverzichtbarer. Die nachfolgende Arbeit befasst
sich mit der Verwendung personalisierter Daten im Web. Abschnitt 2 gibt zunächst
einen allgemeinen Überblick und führt einige Definitionen ein. Des weiteren werden
mögliche Anwendungsgebiete und Ziele der Personalisierung aufgezeigt. Es
werden darüber hinaus kurz die rechtlichen Gesichtspunkte angeschnitten und
es wird den Fragen nachgegangen, ob die Erfolge der Personalisierung messbar
sind und wenn ja, wie und wo die Vorteile von Personalisierung liegen.
Abschnitt 3 stellt die Komponenten der Personalisierung vor. Hier wird der Frage
nachgegangen, welche Möglichkeiten bestehen um zu personalisieren. Auch
beschäftigt sich die Arbeit mit den Fragen, wie der Nutzer wieder zu erkennen
ist, wenn er sich nicht per Passwort und Log-in selber identifiziert, und wie der
Anbieter an die notwendigen Daten kommt, die er zu einer Personalisierung
benötigt. Bei der Identifizierung wird unter drei Möglichkeiten unterschieden,
das oben genannte Log-in-Verfahren, Identifikation durch Cookies und durch
Web-logs, so genannter Logfiles.
An diesen Abschnitt anschließend betrachtet Abschnitt 4 die zur Verfügung stehenden
Personalisierungstechniken. Der Schwerpunkt dieses Abschnittes sind
Recommender Systeme.
Abschließend wird anhand von Beispielen Personalisierung in der Praxis vorgestellt.
Unterstützend dazu ist ein Ausschnitt der Seite des Online-Shops Amazon
[Ama03] dargestellt und es wird ein Fazit gezogen.
2 Personalisierung
Dieser Abschnitt umfasst eine allgemeine Definition von Personalisierung mit
Anwendungsgebieten, Vorteilen und rechtlichen Aspekten.
2.1 Allgemeine Definition
Eine allgemein gültige Definition für Personalisierung gibt es nicht. Eine mögliche
wäre folgende: Personalisierung ist die Anpassung vorhandener Gegebenheiten
und Möglichkeiten an persönliche Bedürfnisse.[RK02]
Das kann unter anderem der Arbeitsplatz sein, der nach persönlichen Wünschen
eingerichtet wird, in dem Blumen oder Bilder auf dem Schreibtisch aufgestellt
werden. Auch die Einrichtung eines Rechners mit Hintergrundbild und Anwendung
von Tools ist eine Personalisierung, im allgemeinen die Software-Konfiguration.
Die vorliegende Arbeit beschränkt sich jedoch hauptsächlich auf die digitale Personalisierung.
Diese umfasst das Internet und dort die Form der Kommunikation
per Email in Verbindung mit personalisierter Werbung und der Anpassung von
3

Produkten an Kundenwünsche. Es gibt darüber hinaus auch die analoge Personalisierung,
wie das Telefon, das Fax und den Postweg. Hier wird der Kunde
angerufen, um an Umfragen oder Gewinnspielen teilzunehmen, auch werden
dem potentiellen oder schon gewonnenen Kunden per Fax individuelle Angebote
oder Gewinnspiele zugesandt.
Jedoch ist die meist angewandte analoge Personalisierung immer noch die Postzustellung,
früher mit dem Schriftzug ” an alle Haushalte“. Inzwischen haben
diese personalisierten Angebote die persönliche Ansprache, wie den eigenen Namen
und meist den Beisatz ” ein Angebot speziell für Sie“. Zwei Firmen, die
diese Art von Personalisierung verfolgen sind z.B. die Süddeutsche Klassenlotterie
(SKL) und AOL Time Warner. Diese Art der Personalisierung, d.h. die
Ansprache mit dem eigenen Namen im Web ist immer noch für den Anbieter
der Personalisierung die einfachste und auch günstigste Art der Personalisierung.
Darüber hinaus ist der eigene Name immer noch in der zwischenmenschlichen
Ebene das wichtigste Wort im Wortschatz des Menschen.
Im Fall der Personalisierung geht es hauptsächlich um Inhalte, die an Individuelle
Ansprüche angepasst werden: Personalisierung ist eine Art der Entscheidungsfindung.
Hier wird aus einer Menge von Möglichkeiten die Kombination
ausgewählt, die dem Betrachter den bestmöglichen Nutzen bringt. In
der Web-Personalisierung ist das ganze auf der virtuellen Ebene, nämlich auf
Webseiten und per Emailing zu betrachten. Eine mögliche Definition für Web-
Personalisierung ist die der Universität Ulm [Ulm01]: ” Personalisierung ist die
Anpassung von auf Webseiten angebotenen Informationen an die Interessen des
jeweiligen Betrachters durch Auswahl und Darstellung interessanter und Ausschneiden
und Weglassen uninteressanter Daten.“ Diese Definition besagt, dass
die Möglichkeit auf der Webseite bestehen muss, Tools zu verwenden, um den
Benutzer Möglichkeiten zu geben sich die Seite nach seinen Wünschen zu gestalten
und einzurichten. Die dargestellten Definitionen sind speziell für Online-
Shops von großer Bedeutung. Im optimalen Fall könnte speziell in einem Online-
Shop jeder Kunde seine eigene Angebotspallette besitzen, die für ihn vom Anbieter
definiert wird. Darüber hinaus sollte der Kunde bei jedem Besuch persönlich
angesprochen werden können. Dies wird auch als das so genannte ” Tante-Emma-
Prinzip“ bezeichnet, auf das später im Zusammenhang mit den Vorteilen von
Personalisierung noch eingegangen wird. Im bestmöglichen Fall bekommt der
Kunde nur die Werbung, die ihn interessiert, so dass er nicht von der gebotenen
und vorhandenen Informationsflut abgeschreckt wird - sonst wäre die Information
verwirrend und er könnte das Interesse verlieren. Es wird also versucht,
einen Information Overkill zu verhindern.
In dieser Betrachtung der Personalisierung darf nicht vernachlässigt werden,
dass Personalisierung ein Werkzeug ist, um Kunden zu binden und um neue
Kunden zu werben. Das wichtigste Argument für jeden Anbieter, aus der die
Motivation einer umfangreichen Personalisierung resultiert ist in jedem Fall die
Tatsache, dass die Konkurrenz in jedem Fall nur einen Mausklick entfernt ist. Im
traditionellen Markt dagegen können auch Standorte über Erfolg und Misserfolg
entscheiden. Die Kunden berücksichtigen beim Kauf nicht nur den Preis, sondern
entscheiden sich manchmal allein aus Bequemlichkeit für den nächst gelegenen
4

Laden. Zwar ist der Preis der Produkte bei Online-Shops noch Kaufkriterium
Nummer Eins, aber die Kundenbetreuung spielt eine ähnlich große Rolle und
wird immer häufiger das entscheidene Kriterium. Die Preise sind nahezu gleich
bzw. werden von den Konkurrenz-Unternehmen angeglichen.[IHK01]
2.2 Vorteile der Personalisierung
Eine Personalisierung ist zeitlich und finanziell sehr aufwändig. Personalisierung
benötigt einen Mehraufwand an Rechnerleistung und Personal. Aus Sicht des
Anbieters wird Personalisierung eingesetzt, um ein konkretes Ziel zu verfolgen.
Wie in Abschnitt 2.1 erwähnt, soll Personalisierung ein Werkzeug sein, um sich
von der Konkurrenz abzusetzen, oder Konkurrenzfähig zu werden. Hauptziel
ist aber Neukunden zu werben und speziell vorhandene Kunden zu binden und
zufrieden zu stellen. Dies basiert auf der Untersuchung, dass das Werben eines
Neukunden fünfmal so teuer ist, wie einen zufrieden Kunden zu binden.[Dit00]
Personalisierung wird aus Sicht des Anbieters eingesetzt um personalisierte Werbung
zu verschicken z.B. per Email, oder um in den personalisierten Shops damit
zu werben. Die Kundenbindung, die Neukundenwerbung und die Frage, ob das
Direktmarketing anspricht, lässt sich auch messen und macht dadurch den Erfolg
greifbar. Hierzu wird z.B. die durchschnittliche Bestellmenge, die Häufigkeit
der Bestellungen und die Häufigkeit der wegen Reklamation, Unzufriedenheit,
etc. zurückgesendeten Waren zur Auswertung herangezogen. Auch die Anzahl
der Besuche auf der Webseite oder im eigenen personalisierten Shop, genau wie
die Zeit, die sich ein Besucher auf der Seite aufhält, lässt sich messen, und gibt
Auskunft über die Zufriedenheit des Kunden.
Die Intensivierung und Loyalität der Kunden wird durch Personalisierung verstärkt
und ausgebaut. Ein erfolgreicher Shop definiert sich nach Österle/Muther [RK02]
dadurch, dass der Kunde alles das erhält, was er erwartet ( ” everything“), wo immer
( ” everywhere“), wann immer er es benötigt ( ” non-stop“) und zwar möglichst
effizient ( ” one-stop“), mit persönlicher Ansprache und optimaler Ausrichtung
auf seine Bedürfnisse ( ” one-to-one“). Hinzu kommt die Freiheit, dies auf dem
von ihm präferierten Weg zu tun ( ” every way“). Die einzige Einschränkung
ist der wirtschaftliche Aspekt; das Unternehmen kann nur das anbieten, was
auch mit dem Unternehmensziel konform ist und darüber hinaus wirtschaftlich
vertretbar ist. Zu den oben erwähnten verfolgten Zielen der Anbieter von personalisierten
Seiten oder Online-Shops kommt die persönliche Ansprache hinzu,
die dem Internet die Anonymität nimmt und der Kunde sich persönlich angesprochen
und individuell bedient fühlt. Aus Sicht des Kunden oder potentiellen
Kunden ist Personalisierung Zeitersparnis. Er findet sich schneller auf der von
ihm individuell und persönlich definierten Seite zurecht. Der Kunde erhält nur
die von ihm gewünschten Informationen, z.B. bei Newslettern oder bei Emailanbietern.
Für potentielle Neukunden kann Personalisierung sehr hilfreich sein, da
diese in Klassen eingeordnet werden und sich gut betreut und beraten fühlen.
Genau wie der Anbieter will der Kunde im Regelfall einen persönlichen Kontakt
und somit die Anonymität des Internets aufheben und sich beraten und ” verpflegt“
wie in einem ” Tante-Emma-Laden“ fühlen. In diesem ist er namentlich
5

ekannt und der Verkäufer weiß genau, wen er vor sich hat. In einigen Fällen,
oder im bestmöglichen Fall, weiß der Verkäufer sogar, was der Kunde im Regelfall
kauft und fungiert in manchen Fällen als eine Art ” Einkaufszettel“, oder
Einkaufsberater und Bekannter. Um das zu erreichen und die oben erwänte
Anonymität aufzuheben, bieten manche Anbieter zusätzlich zu ihrem Internet-
Angebot einen virtuellen Berater in Form eines Forums oder eines Chats an, um
auch so ein höheres Maß an persönlicher Interaktion zu erreichen und zusätzlich
Vertrauen und Vertrautheit zu schaffen.[RK02] Die Kunden haben primär einen
höheren Nutzen, der sich langfristig auch für das Unternehmen auszahlen kann,
wenn aus dem potentiellen Kunden ein Kunde und aus dem Kunden ein loyaler
und zufriedener Kunde wird.
2.3 Rechtliche Aspekte
Der rechtliche Aspekt wird häufig diskutiert. Speziell in letzter Zeit wurde in
Verbindung mit Personalisierung immer wieder das Wort Datenmissbrauch, vermeht
bei der Verwendung von Cookies, durch die Medien genannt. Cookies werden
in Abschnitt 3.3 ausführlicher erklärt.
Der rechtliche Aspekt ist ein sensibles Thema, denn es ist ein sehr schmaler
Grat zwischen einem persönlichen Angebot, oder einer personalisierten Kunden-
Verkäufer-Beziehung und dem ungewollten Eindringen in die Privatsphäre. In
diesem Abschnitt wird nur kurz auf die Möglichkeiten der Anbieter und Nutzer
eingegangen. Zum einen in welchem Umfang die Daten von dem Anbieter
verwendet werden dürfen. Zum andern wie sich die Kunden vor Missbrauch
schützen können und Einfluss auf die Verwendung ihrer persönlichen Daten
haben Der Kunde hat aktiv die Möglichkeit das Sammeln seiner Daten zu verhindern.
Er hat die Möglichkeit sich anonym im Internet zu bewegen, wenn er
sich über einen Internet-Provider einwählt oder er sich hinter einer Firewall befindet.
Darüber hinaus kann er jeder Zeit Cookies deaktivieren, oder sie löschen.
Der Benutzer kann von vornherein über seine Browsereinstellungen die Ablage
von Cookies auf sein System ablehnen. Er kann auch z.B. bei Fragebögen angeben,
dass er seine Daten nicht an Dritte für Werbezwecke weitergeben will,
oder dass diese vom Unternehmen verwendet werden dürfen.[IBM02]
Zu dieser aktiven Möglichkeit kommen noch gesetzliche Regelungen, die dem
Benutzer einen Schutz vor Missbrauch seiner Daten zusichert. Zum einen ist
hier das Bundesdatenschutzgesetz (BDSG)[IBM02] im Allgemeinen und zum
anderen das Teledienste-Datenschutzgesetz im Besonderen (TDDSG)[IBM02]
zu nennen. Diese zwei Gesetze gelten aber nur für personenbezogene, nicht aber
für anonyme Daten.
Zu diesem Zweck muss der Unterschied dieser zwei Daten deutlich gemacht werden.
Bei anonymen Daten wird nur die Zielgruppe dargestellt, der Zeitpunkt des
Zugriffs, der Pfad und die Länge der besuchten Seiten Bei personenbezogenen
Daten ist wichtig, welche Person, bzw. welche IP, hinter den Aktionen im Internet
sitzt. [Agn01] Im besten Fall sind Name und andere persönliche Daten
durch eine Registrierung des Benutzers bekannt. Der Anbieter kann die anonymen
Daten für statistische Auswertungen nutzen und Zielgruppen definieren,
6

auch kann er durch speichern von Postleitzahlen (wobei hier die Größe des zu
betrachtenden Gebiets rechtlich eine Rolle spielt), Alter und Geschlecht (was
nicht unter die personenbezogenen Daten fällt) wichtige Informationen rausfiltern
und sich zumindest ein quantitatives Feedback zu verschaffen.[Agn01]
Um eine negative Presse zu vermeiden, ist es aus Sicht des Unternehmens ganz
wichtig, sich die Einwilligung des Kunden zu holen, bevor die Daten gesammelt,
oder diese verarbeitet werden. Diese Einwilligung der Kunden führt nicht zum
Verlust von Kunden bzw. potentieller Kunden durch schlechte Publicity. Das
Vertrauen der Kunden muss weiterhin gestärkt werden. Der Kunde muss das
Gefühl haben, dass er die Daten gerne und freiwillig gibt. Es gibt für den Internetbesucher
Möglichkeiten sich vor Missbrauch,ungewünschter Werbung, also
im Allgemeinen vor dem Eindringen in die Privatsphäre zu schützen.
Für Anbieter gibt es jedoch legale Möglichkeiten, Informationen zu sammeln
und diese für Werbezwecke einzusetzen, oder wie oben erwähnt für statistische
Auswertungen zu verwenden. Abbildung 1 zeigt die Möglichkeiten Daten
zu sammeln, um an eine Datenbasis zu gelangen, die für eine Personalisierung
notwendig ist.
Abbildung 1: Sammeln von Daten [unk02b]
2.4 Mögliche Anwendungsgebiete
Es gibt verschiedene Formen von Personalisierungen, wie in Abschnitt 2.1. erwähnt.
In diesem Abschnitt werden einige Ansätze möglicher Personalisierungsideen
aufgezeigt. Es gibt keine allgemein gültige Definition und es ist schwer eine klare
Grenze zwischen den einzelnen Ideen zu ziehen, da manche Umsetzungen
ineinander übergehen. Nach der Definition der Gartner Group [Gro01], werden
fünf Kategorien unterschieden:
• Inhalte-Personalisierung,
• Angebots-Personalisierung,
• Produkt-Personalisierung,
7

• Preis-Personalisierung und
• Service-Personalisierung.
Unter der oben aufgeführten Inhalte-Personalisierung wird die Anpassung eines
Inhaltes an die explizite und implizite Nutzenpräferenz verstanden. Explizite,
vom Benutzer direkte und implizite, vom Benutzer indirekte Informationsbereitstellung
wird in Abschnitt 3.1 in Verbindung mit den Formen der Personalisierung
näher erläutert.
Angebots-Personalisierung versucht dem jeweiligen Betrachter oder Kunden das
richtige Produkt oder Angebot zu unterbreiten. Daraus kann das optimale Vorgehen
abgeleitet werden, für Werbung zum Beispiel.
Das Paradebeispiel Dell Computers [Del03] kann in Verbindung mit der Produktpersonalisierung
genannt werden, Dell stimmt das Produkt, hier den Computer,
individuell auf den Kunden ab, speziell bei der Zusammenstellung der
Hard - und Software des Rechners.
Preis-Personalisierung setzt eine Käufer-Verkäufer-Beziehung voraus. Aufbauend
auf dieser werden abgesicherte Preis- und Verfügbarkeitsdaten für Dritte
zur Verfügung gestellt, als Beispiel ist hier EBAY [Eba03] zu nennen.
Service-Personalisierungen umfassen im wesentlichen Chats und Foren, zum
einen für den Kundenservice, zum anderen aber auch nur als reine Kommunikationsebene.
Das Unternehmen stellt hier dem Kunden einen optimalen Kommunikationskanal
zur Verfügung.
Weitere Ansätze ergeben sich nach Quocirca Business and IT Analysis.[Quo01]
Hierbei wird unter vier möglichen Ansätze unterschieden:
• Self Service Personalisierung
• Lifestyle Personalisierung,
• Personalisierung über kundenspezifische Anpassung und
• Lernenden Personalisierung.
Der Nutzer hat bei der Self Service Personalisierung die Möglichkeit, z.B. bei
Portalen die Art und Darbietungsform der auf der Website präsentierten Informationen
an seine Bedürfnisse anzupassen.
Die Lifestyle Personalisierung versucht auf Basis von Profilen und Analysemethoden,
sowie Trends den Output an die Nutzerbedürfnisse anzupassen, d.h. es
werden personalisierte Angebote erstellt.
Personalisierung über kundenspezifische Anpassung bietet dem Kunden die Möglichkeit
sich Angebote und Artikel selbst zu konfigurieren und zu personalisieren.
Der Kunde stellt sich über Tools, die der Anbieter zur Verfügung stellt, z.B. das
Layout der Seite und das Angebot selber zusammen
Bei der Lernenden Personalisierung geht es um das System, nicht um den Internetbesucher
selbst. Dieses versucht aus dem Verhalten der Internetbesucher zu
lernen und auf der Grundlage der Informationen darauf zu reagieren. Dieses System
vergleicht z.B. neu erhaltene Daten mit schon erstellten Benutzerprofilen
und ordnet die neuen Daten in Klassen ein.
8

3 Komponenten der Personalisierung
Dieser Abschnitt befasst sich mit den Möglichkeiten an Informationen zu gelangen,
um eine gute Datenbasis für die Personalisierung zu bekommen. Darüber
hinaus werden Möglichkeiten dargestellt die Kunden, bzw. Internetbesucher wieder
zuerkennen.
3.1 Formen der Personalisieung
Bevor eine Personalisierung sinnvoll und auch langfristig lohnend ist, versuchen
die Anbieter auf Basis von gesammelten Daten ein Benutzerprofil zu erstellen.
Diese Daten können direkt vom Kunden kommen, oder diese können auch durch
das Verhalten des Kunden herausgefiltert werden. Am besten ist die Kombination
dieser zwei Möglichkeiten, nämlich der expliziten und impliziten Datenerfassung.
Unter expliziten Daten, versteht man das bewusste, bzw. direkte Bereitstellen
der Daten durch den Internetbesucher. Beispiele hierfür wären Newsletter, Fragebögen,
die Teilnahme an Gewinnspielen und Softwareregistrierung. Bei den
genannten Beispielen muss der Nutzer meistens animiert werden, durch Prämien
und Preise korrekte Daten abzugeben, bzw. sinnvolle Daten zu liefern. Untersuchungen
zeigen, dass 90% der Internetbesucher bereit sind, bei Auszahlung einer
Prämie persönliche Daten bereit zu stellen.[Kra99] Da nur korrekte und sinnvolle
Daten zu einem sinnvollen und für Werbezwecke zu benutzenden Ergebnis
führen, die Richtigkeit der Daten ist für die Personalisierung das wichtigste Kriterium.
Die Erfahrung zeigt jedoch, dass diese Form nur von wenigen Kunden,
bzw. Internetbenutzern angenommen wird, wenn der Aufwand zu hoch ist, oder
die Konfiguration zu komplex ist.[RK02]
Bei der impliziten Datenerfassung, gibt der Internetbesucher unbewusst, bzw.
indirekt seine Daten preis. Diese werden durch die Analyse des Verhaltens z.B.
durch die Methoden der Clickstream-Analyse ausgewertet. Die Clickstream-
Analyse wertet das Verhalten bei den Besuchen von Webseiten aus und erfasst
den Pfad mit dem der Internetbesucher durch das Internet ” surft“.
Auch die Auswertung des Kauf- und Surfverhalten stellt eine Basis für die Daten
dar, um ein Benutzerprofil zu erstellen. Jedoch kann diese Datenerfassung
nur durchgeführt werden, wenn auf der Seite ein genügend großer Benutzerkreis
zu finden ist und dementsprechend eine große Anzahl an Daten vorhanden und
so eine sinnvolle Auswertung möglich ist. Darüber hinaus können Daten auch
offline gewonnen werden,z.B. in Call Centern. Um aber wirklich langfristig eine
gute und effektive Personalisierung zu schaffen, muss man die Daten ständig
sammeln und jede Transaktionsphase einzeln auswerten. Somit kann die Qualität
der Daten verbessert werden, was speziell bei guten und treuen Kunden
von großer Bedeutung ist, da das Kaufverhalten oft und stark variiert.
9

3.2 Einbinden der Informationen
Wie in 3.1 beschrieben wird ein sinnvolles Benutzerprofil durch die Kombination
expliziter und impliziter Daten erstellt und einer ständigen Sammlung dieser.
Man versucht auf Basis dieses erstellten Benutzerprofils dem Kunden personalisierte
Angebote und personenbezogene Werbung zu unterbreiten. Im folgenden
wird dargestellt, wie ein Benutzerprofil in einzelnen Schritten entsteht. Zunächst
ist der Internetbesucher dem Anbieter unbekannt. Durch interessante Inhalte
und unkomplizierte Handhabung muss sein Interesse geweckt werden. Der Kunde
wird im Falle eines Interesses an der Seite, eines Emailanbieters oder an
einem Portal sein Interessengebiet selektieren und sich die Inhalte individuell
einrichten. Nach diesem Schritt lässt sich mit Einrichtung eines Accounts ein
Primärprofil erstellen. Im nächsten Schritt wird ein Transaktionsprofil erstellt.
Durch Auswertung des Click-, Surf- und evtl. auch schon des Kaufverhaltens
wird ein Feinprofil erstellt, das so genannte Sekundärprofil, das sehr viel detaillierter
ist. Bis hierhin handelt es sich um ein Front-Office und bis auf den
letzten Punkt ist es ein reines Kunden-Pull, d.h. der Kunde hat einen sehr hohen
Aufwand und stellt die Informationen bereit. Danach folgt eine Clusterbildung
und es beginnt das Back-Office, der Anbieter-Push. Hier versucht der Anbieter
die Kunden in wirtschaftliche Gruppen zusammen zufassen, daraus wird das
Zielgruppen-Profil herausgearbeitet. Der letzte Schritt ist die Einordnung der
Kunden als individuelles Mitglied der Community mit den bekannten Präferenzen
und Vorlieben des Internetbesuchers. [Son01] Das Beispiel kann auch mit
anderen Techniken durchgeführt werden, auf die in Abschnitt 4 eingegangen
wird.
3.3 Identifikation der Internetbenutzer
3.3.1 Logfiles
Es ist für den Anbieter möglich, anonyme Daten zu sammeln, die nicht unter
das in Abschnitt 2.3 aufgeführte BDSG fällt und Internetbenutzer wieder zu
erkennen. Anonyme Daten werden z.B. in Logfiles gespeichert. Diese speichern
sämtliche Zugriffe auf Dateien einer Webseite und werden von einem Webserver
protokolliert. Jede Zeile im Logfile entspricht einem Zugriff auf eine Datei der
Webseite. Dieser Zugriff, auch Hitgenannt, entspricht einer Aufforderung eines
Computers an den Webserver, eine bestimmte Aufgabe zu erledigen. Meistens
lautet dieser Befehl das Senden einer Datei. Die so gesammelten Daten werden
fortlaufend in eine Datei geschrieben, Abbildung 2 ist ein Ausschnitt eines solchen
Logfiles, welches auch Protokoll- oder Log-Datei genannt wird.
Diese Zeile beschreibt einen kompletten Aufruf einer Seite, die aus einer festen
Struktur besteht. Die Zeilen der Logfiles sind nach einem bestimmten Schema
aufgebaut. Als erstes wird die IP - Adresse gespeichert, manchmal auch der Provider,
mit dem sich der Benutzer ins Internet eingewählt hat. Jedoch kann man
anhand dieser nicht immer sehen, ob es sich um eine eindeutige IP - Adresse
handelt. Auch weiß man nicht, ob es sich nur um einen Nutzer handelt, oder
10

...
192.168.156.36 - [20/Jan/2002:19:35:09 +0100] “GET / HTTP/1.1”
200 25641 www.devmag.net “http://www.devmag.net/” “Mozilla/4.0
(compatible; MSIE 5.5; Windows ME; DigExt)”
...
Abbildung 2: Ausschnitt eines Logfiles
um verschiedene, die den gleichen Rechner benutzen. Jedoch ist diese IP innerhalb
einer Session eindeutig und identifiziert den Internetbesucher. Der zweite
Eintrag - auch Informationsblock genannt - ist das Datum und die Uhrzeit, und
zwar in GMT-Zeitformat (bei MEZ wird eine Stunde aufsummiert). Die Bezeichnung
” Get“ legt fest, welche Daten vom Server an den Client geschickt wurden.
Dieses wird in einem Protokoll codiert, hier in http. Es gibt auch die Möglichkeit
eines Eintrages ” Heads“, welcher meistens bei Suchmaschinen auftaucht. Hier
wird das letzte Änderungsdatum dargestellt und gegebenenfalls wird abgewogen,
ob die Seite neu indexiert wird. Die folgende Zahl stellt den Rückgabecode,
bzw. Statusmeldung da, hier die Kennzahl 200, die bedeutet, dass der Zugriff
erfolgreich war und der Server die Anforderung der Clients fehlerfrei erhalten,
sie verstanden und akzeptiert hat. Weitere Rückgabecodes sind im folgenden:
• 204 No Content Das Dokument, welches angefordert wird enthält keine
Daten
• 206 Partial Content Die Übertragung wurde unterbrochen. Dies kann vom
Browser aus geschehen, oder bei einem Update der Seite.
• 300 Multiple Choices Es gibt mehrere (ähnliche) Dateien. Der Server kann
die Datei nichteindeutig ermitteln, und bietet mehrere Auswahlmöglichkeiten.
• 301 Moved Permanently Die Datei wurde an einen anderen Ort verschoben.
• 304 Not Modified Die Datei wird komplett aus dem Cache (Server und/oder
Clientseitig) geladen.
• 400 Bad Request Der Webserver ” versteht“ die Anfrage nicht.
• 401 Unauthorized Sie sind nicht autorisiert, diesen Bereich zu betreten.
• 403 Forbidden Der Zugriff auf die angeforderte Datei wird verweigert
• 404 Not Found Die Datei wurde nicht gefunden (ist nicht vorhanden), oder
der URL wurde falscheingegeben.
• 500 Internal Server Error, ein unbekannter Server Fehler ist aufgetreten.
Oftmals entstehen diese durch falsche Anwendung von .htaccess - Dateien,
oder durch Fehler im CGI.
11

• 503 Service Unavailable Der Server kann die Anfrage zeitweilig nicht bearbeiten,
z.B. bei Wartungsarbeiten
Die Zahl vor der URL ist die Anzahl der gesendeten Daten in Byte, bei Kenntnis
der Gesamtgröße der Datei, kann erkannt werden, ob die Datei vollständig
übertragen wurde. Bei einer indirekten Anfrage, z.B. über einen Link einer anderen
Seite, oder über eine Suchmaschine, hier der erste URL in Abbildung 2,
welche den Zugriff erzeugt hat, werden beide URL eingetragen. Zum einen die,
die den Eintrag erzeugt hat, also die Seite die zuerst aufgerufen wurde, bspw.
www.google.de [goo03], diese wird als Referer-Seite bezeichnet. In dem vorliegenden
Beispiel ist sie www.devmag.net [dev03]. Bei einem direkten Zugriff auf
eine Seite entfällt die zweite URL, d.h. es würde nur die Seite angezeigt werden,
die den Zugriff erzeugt hätte. Als letztes werden nähere Informationen zu dem
Client, bzw. zu dem System von welchem der Aufruf getätigt wurde gespeichert.
Der verwendete Browser, bis zu dem Betriebssystem,in diesem Beispiel wird ein
Internet Explorer Version 5.5 verwendet und der Benutzer arbeitet mit einem
Windows ME Betriebssystem. [Dev02] Diese Daten der Logfiles können für statistische
Auswertungen verwandt werden. Speziell bei Suchmaschinen werden so
die Rankings kontrolliert. Außerdem bilden sie die Basis für eine Clickstream-
Analyse. Das Problem der Logfiles ist, dass sie im rohem Zustand sehr viele
Einträge enthalten, die den wahren Verkehr einer Seite verfälscht wiedergeben
und deshalb zu falschen Ergebnissen führen könnten. Daher müssen Logfiles
im Vorfeld einer Analyse sorgfältig aufbereitet werden. Ein weiteres Problem
stellen so genannte Cache-Mechanismen dar. Diese legen angeforderte Seiten in
einem lokalen Zwischenspeicher (Cache) ab und verfälschen dadurch die Anzahl
der Seitenaufrufe. Diese Problem kann minimiert werden, indem man den
User motiviert, oder ” zwingt“ die Seite regelmäßig zu aktualisieren. Die einzelnen
Einträge der Logfiles werden zu einer Session zusammengefasst. Die entstehende
Einheit, d.h. der gesamte Verlauf eines Internetbesuches wird gebündelt
und gesamt betrachtet, darunter fallen die versch. Seitenaufrufe eines Benutzers.
Die Bündelung wird als Sitzung oder Session bezeichnet, um eine genaue
Auswertung, z.B. der Verweildauer zu erlangen werden nur die Daten zur Auswertung
herangezogen, die zwischen zwei Seitenaufrufen maximal eine halbe
Stunde betragen.[unk02b]
3.3.2 Cookies
Eine weitere Möglichkeit die Internetbesucher zu identifizieren ist die Speicherung
in Cookies. Cookies sind Einträge in der Datei COOKIES.TXT oder
im Verzeichnis COOKIES auf dem Rechner des Teilnehmers. Sie werden von
Webservern generiert und beim nächsten sich anschließenden Zugriff des Teilnehmers
auf den die Cookies erzeugenden Webserver wieder an diesen übermittelt.
Man unterscheidet im Allgemeinen zwischen persistent gespeicherten Cookies,
d.h. dauerhaft abgelegten Cookies, die datenschutzrechtlich sehr diskutiert
12

werden und transistente Cookies, die nur innerhalb einer Session gespeichert
werden, das bedeutet, dass Cookies eine so genannte ” Lebensdauer“ besitzen.
Erreicht ein Cookie sein ” Verfallsdatum“, wird dieses automatisch vom Browser
gelöscht. Name und Ablageverzeichnis sind abhängig vom eingesetzten Browser.
Auch manuell können Cookies und diesen Verzeichnissen gelöscht werden, oder
sie können, wie in Abschnitt 2.3 erwähnt über das Option-Menü des Browsers
deaktiviert oder von Anfang an nicht zugelassen werden. Ein weiterer Punkt
ist das Datenvolumen durch die Cookies, es dürfen maximal 20 cookie-Einträge
eines einzelnen Servers auf dem Rechner erzeugt werden, wobei jeder Eintrag
wiederum maximal 4 KB haben darf. Die Gesamtzahl der auf den Rechner gespeicherten
Cookies darf 300 nicht überschreiten. In Abbildung 3 ist ein Auszug
einer solchen Textdatei zu sehen. Jedes Tupel, d.h. jede Tabellenzeile steht dabei
für ein Cookie.
In der ersten Spalte wird die Domäne, hier ” .spiegel.de“ dargestellt, an die
Abbildung 3: Auszug einer Cookiedatei [Unk02a]
die Information weitergegeben wird. Die zweite Spalte legt das flag fest, es gibt
an, ob alle Rechner dieser Domäne auf den Cookie lesenden Zugriff haben, bei
” TRUE“(wahr) ist das der Fall. Bei dem Eintrag FALSE“(falsch) hätte nur
”
ein Rechner den Zugriff. Mit der Pfadangabe in der dritten Spalte kann weiter
eingeschränkt werden, an welchen Server die Informationen übertragen werden.
Dieser Eintrag gilt hauptsächlich für die Informationsübertragung. In den meisten
Fällen steht in dieser Spalte ein einfaches / “, was bedeutet, dass die
”
Informationen grundsätzlich gesendet werden. Eine weiterer möglicher Eintrag
wäre ein Verzeichnis. In diesem Fall wird der Cookie nur dann zurückgegeben,
wenn die rufende Seite in diesem oder in einem Unterverzeichnis liegt. Der Secure
-Eintrag in der vierten Spalte beinhaltet eine verschlüsselte Anfrage. Nur
wenn in den Zeilen ein TRUE“ steht, wird die Information übertragen, das wäre
”
der Fall wenn eine sichere Verbindung zwischen Client und Server vorliegt, d.h.
wenn Hypertext Transfer Protocols (HTTPS) verwendet werden. In der fünften
Spalte wird die Gültigkeitsdauer in codierter Form gespeichert. Nach dem Ver-
”
fallsdatum“ wird die Information nicht mehr gesendet. Die letzten zwei Spalten
der Cookiedatei enthalten den Namen und den Wert bzw. Inhalt des Eintrages.
Ein Problem dieser Speicherung ist die Akzeptanz der Cookies von den Internetbesuchern,
wie schon in Abschnitt 2.3 erwähnt, auf Grund der Gefahr des
Missbrauchs der Daten. Die Gefahren bei Verwendung von Cookies können für
den Benutzer sein, dass über ihn Statistik geführt wird, was seine Besuche an-
13

etrifft. Auch kann sein Surfverhalten auf dem besuchten Server gespeichert
werden. Es kann durch Cookies in einigen Fällen zu Netzbelastungen und damit
verbundene Wartezeiten kommen. Jedoch haben Cookies auch Nutzen, bei
einem wiederholten Dialog mit den gleichen Anbietern müssen die Daten nicht
erneut eingegeben werden, das hat eine Zeitersparnis zur Folge und ist bequemer.
Es gibt verschiedenste Verwendungsmöglichkeiten. Z.B. werden Cookies in
Verbindung mit persönlich zugeschnittenen Webseiten verwendet. Als Beispiel
ist hier ” My Yahoo“[Yah03], oder Amazon [Ama03] zu nennen. Eine der populärsten
Anwendungen für den Einsatz von Cookies ist die eindeutige Benutzererkennung
für das Nutzen diverser Online-Angebote. Internetbesucher mit
dynamischen IP-Adressen werden trotz der geänderten IP-Adresse bei einem
weiteren Besuch wieder erkannt und müssen so nicht wieder alle Einstellungen
erneut tätigen, etc..
3.3.3 explizite Benutzerregistrierung
Die Identifikation durch explizite Benutzerregistrierung ist die einfachste Möglichkeit
für den Anbieter Internetbesucher, bzw. Kunden wieder zuerkennen. Hier
wird ein Benutzername und ein Passwort gewählt, über die der Besucher der
Seite bei einem erneuten Log-in wieder erkannt werden kann. Das bedeutet diese
Daten sind für eine Wiedererkennung notwendig. Es gibt auch die Verbindung
zwischen der expliziten Benutzerregistrierung und Cookies, z.B. bei Banken. Die
Einstellungen bleiben bestehen und der Anbieter der Webseite kann dem Kunden
individuelle Angebote schicken. Der Kunde wird oft gebeten einige Angaben
zu machen, meist in Form eines Fragebogens, bevor ein Konto, bzw. ein Account
für ihn angelegt wird. Diese Art von Identifikation ist auch für die Pflege- und
Updatemöglichkeiten die einfachste, denn der Benutzer kann in den meisten
Fällen z.B. selbst seine Daten ändern, oder auch seine neue Interessen generieren.
Er kann somit bei Bedarf in eine neue Klasse von Kunden eingegliedert
werden. Dies hat sowohl für den Kunden, als auch für den Anbieter Vorteile.
Der Kunde bekommt aktualisierte Werbung oder Angebote entsprechend seiner
neuen Interessen oder Angaben, und der Anbieter erhält immer die aktuellsten
Daten. Explizite Benutzerregistrierung findet man oft bei Emailanbietern,
Online-Shops, Banken aber auch bei Foren und Chats.
4 Personalisierungstechniken
Es gibt verschiedene Techniken der Personalisierung von Inhalten. Im folgenden
sollen drei wichtige vorgestellt werden: Zum einen die Clusteranalyse in
Verbindung mit den Recommender Systemen; zum anderen die Assoziationsund
Sequenzanalyse, auf der typische Bewegungspfade dargestellt werden und
darüber hinaus die Klassifikationsanalyse mit Entscheidungsbäumen und neuronalen
Netzen.
14

4.1 Clusteranalyse
Abbildung 4: Die Clusteranalyse nach Clarans[Fay96]
Das Ziel einer Clusteranalyse ist laut Späth [Spä83] die Zusammenfassung
der zu klassifizierenden Objekte zu Klassen, so dass die Objekte innerhalb einer
Klasse möglichst ähnlich und die Klassen untereinander möglichst unähnlich
sind. Die Clusteranalyse möchte durch Algorithmen eine Segmentierung erreichen,
speziell auf Basis der expliziten und impliziten Daten. Es gibt verschiedene
Clusterverfahren, die alle angewandt werden können, um das oben genannte Ziel
zu erreichen. Die Wahl der jeweiligen Clusterverfahren ist abhängig von dem
gewünschten Ergebnis und den vorhandenen Eingabedaten. Durch eine Vorauswahl
bestimmter Datensätze, z.B. Aussortieren der so genannten Ausreiser aus
der Statistik, kann die Effizienz gesteigert werden. Zum Beispiel bei einem Vergleich
von Supermärkten wie Aldi, Lidl, Pennymarkt und Feinkost-Käfer, wäre
letzteres ein Ausreißer; Feinkost-Käfer ist zwar auch ein Supermarkt, würde aber
das durchschnittliche Ergebnis verfälschen, und die Auswertung wäre nicht sinnvoll.
Da Käfer z.B. ein anderes Warenangebot besitzt und die Käuferschicht eine
andere ist. Wichtig für eine sinnvolle Auswertung ist darüber hinaus die Definition,
wie viele Cluster gebildet werden sollen und über wie viele Durchgänge
der Algorithmus gehen soll.
Man unterscheidet partionierende und hierarchische Clusteringverfahren. Sie
werden im folgenden kurz beschrieben. Graphentheoretische Verfahren werden
vernachlässigt. Im partionierenden Verfahren werden die Daten in k Cluster eingeteilt,
wobei jeder Cluster C aus mindestens einem Objekt besteht, jedes Objekt
höchstens einem Cluster angehört und die Cluster sich nicht überlappen.
Partionierende Verfahren umfassen mehrere Ansätze z.B. den k-means- und den
k-medoid- Ansatz. Hier werden Cluster durch zentrale Punkte dargestellt, die
kompaktesten Cluster werden rausgefiltert. Es gibt darüber hinaus die Erwartungsmaximierung.
Hier werden Cluster durch Gaußverteilungen repräsentiert
und die Zugehörigkeit eines Objektes zu einem Cluster wird über Wahrscheinlichkeiten
dargestellt. Gaußverteilungen sind eine statistische Kennzahl. Statistische
Kennzahlen spielen bei der Clusteranalyse eine große Bedeutung.
Auch bei hierarchischen Verfahren, wo das Distanzmaß, bzw. Unähnlichkeitsmaß
15

Abbildung 5: Auswahl einiger Clusterverfahren[Dui01]
und umgekehrt das Ähnlichkeitsmaß für Auswertungen herangezogen wird. Als
letzter Ansatz für partionierende Verfahren gibt es das dichte-basierte Clustering.
Hier werden Cluster durch Regionen geringerer Dichte voneinander getrennt.
In Abbildung 4 wird die Clusteranalyse nach CLARANS dargestellt, zur Veranschaulichung
der oben beschriebenen drei Ansätze des partionierende Verfahren.
Im ersten Bild ist der k-mean und k-medoid- Ansatz dargestellt. Das erste Bild
weist die kompaktesten Cluster auf, hier werden die einzelnen Punkte den einzelnen
Clustern zugeteilt. Auf dem zweiten Bild ist die Erwartungsmaximierung
dargestellt, die in das erste Bild zusätzlich die Zugehörigkeit eines Objektes zu
einem Cluster in Form der Wahrscheinlichkeit ergänzt. Im letzten Bild kommt
der Dichte basierte Ansatz dazu, dieser trennt die Cluster noch einmal weiter
auf.
Hierarchische Verfahren sind noch mal unterteilt in verschiedene untergeordnete
Verfahren, auf die in dieser Arbeit nicht näher eingegangen wird. Diese teilen
den Eingaberaum nicht nur in disjunkte Cluster ein, d.h. die Verfahren trennen
die Cluster nicht nur, sondern bauen gleichzeitig noch eine Hierarchie von Clustern
auf. Verfahren hierfür sind wie oben schon erwähnt das Unähnlichkeitsbzw.
Ähnlichkeitsmaß aus der Statistik. Die Clusteranalyse bietet sich an, wenn
Inhalte nach Zielgruppen stark variieren und kein einheitliches Ergebnis gefunden
werden kann.
4.2 Recommender Systeme
Recommender Systeme sind ” Empfehlungssysteme“. Sie schließen automatisch
von vorhandenen Informationen auch auf neue Daten. Bevor jedoch Recommender
Systeme eingesetzt werden, müssen die Daten schon vorverarbeitet sein,
16

z.B. durch Data Mining. Techniken des Data Minings sind die in Abschnitt 4.2
genannte Clusteranalyse, die in Abschnitt 4.3 folgende Assoziations- und Sequenzanalyse
und in Abschnitt 4.4 folgende Klassifikationsanalyse. Es gibt eine
Vielzahl von Empfehlungen auf der Basis dieser Vorverarbeitung:
• Nicht-Personalisierte - Empfehlung
• Attribut-basierte - Empfehlung
• ” Item-to-Item“ - Korrelation und
• ” People-to-People“ - Korrelation; die ” People-to-People“ -Korrelation ist
wiederum unterteilt in
– regelbasierte - und
– kollaborative Filterung
Nicht - Personalisierte - Empfehlungen binden das Individuum nicht ein. Die
Grundlage dieser Empfehlung ist der Durchschnitt der Meinungen aller Kunden.
Wie in Abbildung 6 zu erkennen, wird ein Internetbesucher - in diesem
Fall in Form des Männchen auf der linken Seite - modelliert mit einem roten
Hut, mit den Durchschnitt der Internetbesucher verglichen. Diese haben zu ihrem
roten Hut eine rote Tasche gekauft, bzw. besitzen eine, deshalb wird dem
Internetbesucher eine rote Tasche empfohlen, zu sehen auf der rechten Seite der
Abbildung 6.
Abbildung 6: Schaubild zu Nicht-Pesonalisierte-Empfehlungen[Buc01]
Die zweite zu betrachtende Form der Empfehlung sind die Attribut - basierten
Empfehlungen. Hier liegen syntaktische Eigenschaften den gewünschten Objektgruppen
zu Grunde, d.h. der Kunde gibt an, welche Eigenschaften das gewünschte
Objekt entsprechen soll. In Abbildung 7 wird dargestellt, dass ein Internetbesucher
die Farbe des gewünschten Objekt definiert in dem betrachteten Beispiel
17

trägt er einen roten Hut und definiert deshalb die Eigenschaft rot. Auf dieser
Basis wird im eine rote Tasche empfohlen.
Abbildung 7: Schaubild zu Attribut-basierten Empfehlungen[Buc01]
Die ” Item-to-Item“ - Korrelation empfiehlt auf Basis der Produkte aus einem
Warenkorb weitere sinnvolle Produkte. Ein Beispiel hierfür wäre der Kauf eines
Handys. Aus diesem Kauf resultiert die Empfehlung von Handyzubehör, wie
z.B. Oberschale, Akku, etc..
Die letzte Form von Empfehlungen ist die ” People-to-People“ - Korrelation, die
ihrerseits noch mal unterteilt wird in Content-Based-Filtering, auch regelbasierte
Filterung genannt und in kollaboratives Filtern, die ” soziale Filterung“.
Bei der regelbasierten Filterung werden aus Verhaltensregeln und inhaltlichen
Zusammenhängen Empfehlungssysteme erarbeitet, die nach dem ” WENN - DANN“
- Konzept arbeitet. Ein Beispiel hierfür wäre: wenn ein Kunde z.B. ein Hemd
kauft wird ihm direkt eine Krawatte empfohlen, da diese zwei Sachen zusammenhängen
und meist zusammen gekauft werden.
In Abbildung 8 ist diese Filterregel zu sehen. Der Kunde kauft einen roten Hut -
modelliert durch das Männchen auf der linken Seite -. Auf Grund der Erfahrungen
ist bekannt, dass jeder, bzw. eine Vielzahl der Kunden, die einen roten Hut
gekauft, auch eine rote Tasche gekauft haben, bzw. eine solche besitzen. Diese
wird dem Kunden dann empfohlen und im besten Fall aus Sicht des Anbieters,
bzw. Händlers wird diese auch gekauft.
Abbildung 8: Schaubild zu regelbasierter Filterung[Buc01]
Im Unterschied dazu bezieht sich die kollaborativen Filterung auf statistische
Muster von Kundengruppen und legt keinen Wert auf den Inhalt, d.h. die Präferenzen
eines Kunden werden mit denjenigen anderer Kunden abgeglichen. Die
18

Filterung könnte mit einer Art Mund - zu -Mund - Propaganda verglichen werden.
Abbildung 9 zeigt, dass jeder der nach einem roten Hut fragt, bzw. einen
roten Hut kauft - modelliert durch das Männchen auf der linken Seite - auch
eine grüne Tasche kauft. Auf Grund des Kaufverhalten der anderen Kunden,
wird der Kauf eine grünen Tasche empfohlen. Andere Kunden empfehlen die
grüne Tasche zu dem roten Hut.
Abbildung 9: Schaubild zu kollaborativen Filterung[Buc01]
Recommender Systeme sind eng mit dem Erfolg der Personalisierung verknüpft,
denn ist die Empfehlung gut und treffend kann es sein, dass aus einem potentiellen
Kunden ein Kunde wird. Es kann auch aus einem Kunden ein zufriedener
Kunde werden, da sich dieser gut beraten und individuell betreut fühlt und
deshalb häufiger und mehr kauft.
4.3 Assoziationsund Sequenzanalyse
Die Assoziations- und Sequenzanalyse ist hauptsächlich die Analyse typischer
Bewegungspfade, auch ” Click-Stream“- Analyse genannt. Die Datenbasis für
diese Analyse sind die in Abschnitt 3.3 beschriebenen Logfiles. Es gibt auch
hier einige unterschiedliche Verfahren wie z.B. den Apriori - Algorithmus, hierarchische,
quantitative Assoziationsregel und die Fuzzy Assoziationsregel. Sie
sind für die Aussage über zeitliche Entwicklungen des Konsumverhaltens wichtig.
Beispiele hierfür sind die Auswertungen, nach wie vielen ” Clicks“ es zum
Kauf kommt, oder nach welchem zeitlichen Abstand der nächste Kauf getätigt
wird.
4.4 Klassifikationsanalyse
In dem Klassifikationsverfahren werden Kunden in bestimmte Klassen eingeordnet,
z.B. in ” Käufer und Nichtkäufer“. Hierbei teilt ein Klassenattribut ein
unbekanntes Objekt in eine vorher bekannte Klasse ein. Die meist verwendeten
Werkzeuge hierfür sind Entscheidungsbäume und Neuronale Netze. Die Vorteile
von Entscheidungsbäumen sind die leicht verständlichen Ergebnisse.
19

Nicht klassifizierte Objekte wandern von der ” Wurzel“ dieses Entscheidungs-
Abbildung 10: Auszug eines Entscheidungsbaums einer Bank
baums zu einem ” Blatt“ und werden dadurch klassifiziert auf Grund der bestimmten
Attribute. Entscheidungsbäume verzweigen automatisch nach den Attributen,
die die beste Selektion ermöglichen, um eine sinnvolle Auswertung
zu erhalten. Sie erfordern aber einen hohe Rechenaufwand und es besteht die
Gefahr zu kleiner Segmente. Neuronale Netze ermöglichen das Auffinden beliebiger
Muster und sind gut geeignet für Vorhersage-Modelle. Die entstandenen
Ergebnisse sind jedoch schwer zu erklären und neuronale Netze benötigen
einen rechenintensiven Lernprozess. Es gibt aber noch eine Vielzahl von anderen
Möglichkeiten wie Bayes - Klassifikatoren. Diese sind gut geeignet für
Textklassifikationen und erhalten bei genauer Durchführung die höchste Klassifikationsgenauigkeit.
Sie sind aber nicht immer einsetzbar und werden nicht
näher erläutert.
Ein weiteres Verfahren sind Nächste - Nachbarn - Klassifikatoren. Bei den Klassifikationsverfahren
gilt das gleiche wie bei der Clusteranalyse. Ein bestes Verfahren
ist nicht oder nur schwer auszumachen. Je nach Einsatzgebiet liefert jeder
Ansatz unterschiedlich gute und sinnvolle Ergebnisse.
5 Praxisbeispiele
In dieser Arbeit wird das Paradebeispiel der Personalisierung, nämlich die Homepage
von Amazon [Ama03] in Form zweier Screenshots dargestellt und ausgewertet.
Darüber hinaus werden noch andere Beispiele aus der Praxis genannt
20

und kurz erklärt.
Auf der Abbildung 11 sind verschiedene Auswertungen zu erkennen, die zu ei-
Abbildung 11: Screenshot der Homepage des Online Händlers Amazon[Ama03]
ner Personalisierung geführt haben. Wenn ein Internetbesucher auf die Seite von
Amazon kommt und z.B. ein Buch sucht, in diesem Beispiel Harry Potter. Auf
diese Anfrage hin bekommt der Inetrenetsesucher ein Buch empfohlen, in diesem
Fall das aktuellste, mit den Beisatz, ” das könnte ihnen gefallen“. Es könnte
sich hierbei um die Nicht-Personalisierte Empfehlung handeln oder die Attribut
- basierte Empfehlung. Denn der Benutzer wählt Harry Potter, der Großteil
der Kunden wollte genau diesen Band und hat ihn gekauft. Es kann auch sein,
dass der Kunde in eine Gruppe eingeordnet wird und diese hat sich auch bei
den gewünschten Eigenschaften für das Buch entschieden. In diesem Fall wurde
Harry Potter Buch als Grundlage genommen. Darüber hinaus gibt es auf
der vom Betrachter aus rechten Seite eine Sparte Lieblingslisten. Hier werden
21

Güterbündel von schon abgeschlossenen Transaktionen von Kunden aufgeführt
als Anregung möglicher Kauf-Kombinationen. Der Vorteil hierbei ist, der Kunde
kann sich in eine der vorhandenen Klassen selbst einordnen, wie hier z.B.
Harry Potter Fan oder Leser und kann zusätzlich zu dem von ihm favorisierten
Buch sich Anregungen holen. In der oberen Leiste kann der Kunde sich zum
einen selber ein Log-in besorgen, welches für eine Transaktion benötigt wird.
Dieses kann mit dem Button rechts oben ” mein Konto“ gepflegt und überwacht
werden. In ” meinem Konto“sind die bereits bestellten Waren zu sehen und das
dazugehörige Datum, die Empfehlungen, etc.. Ein Vorteil hierbei ist die One -
Click -Bestellung, hierbei werden alte Daten, wie Kontonummer oder Adresse,
die aus der vorherigen Transaktion gespeichert wurden aufgerufen. Der Kunde
muss diese nicht erneut eingeben.
Auf der Abbildung 12 lassen sich noch mehr Empfehlungsformen wieder finden.
Abbildung 12: Screenshot der Homepage des Online Händlers Amazon[Ama03]
22

Die kollaborative Filterung wurde durchgeführt, um dem Kunden weiterführende
Empfehlungen auszusprechen. Diese wurden auf der Basis der Präferenzen
von Kunden im Vergleich zu den eigenen Präferenzen. ( ” Kunden, die dieses Buch
gekauft haben, haben auch diese Bücher gekauft:“).
Amazon stellt auf ihrer Seite auch ein Forum zur Verfügung als Kommunikationsmöglichkeit.
Amazon setzt in diesem Fall die in Abschnitt 2.4 vorgestellte
Service-Personalisierung um. Diese hat den Vorteil hat, dass der Kunde objektive
Meinungen zu dem Buch erhält, die nicht vom Anbieter selbst kommen (Rezensionen).
Amazon stellt auch noch weitere Serviceleistungen zur Verfügung,
die dem Kunden das Gefühl gibt, gut betreut zu sein und individuell beraten zu
werden, wie zum Beispiel die statistische Auswertung, wie den Verkaufsrang, was
einen Trend wieder spiegelt. Als weitere personalisierte Internetseiten kann man
EBAY [Eba03] nennen, die durch die in Abschnitt 2.4 genannte Preispersonalisierung
die Kunden bindet. EBAY stellt auf der Basis der bekannten Kunden-
Verkäufer- Beziehung Nutzerdaten zur Verfügung zu bekannten Preisen. Kunden
bekommen Daten, meistens Informationen über Produkte und EBAY stellt
die Kommunikationsebene dafür bereit. Auch Comdirect[com03] ist eine personalisierte
Internetseite, bzw. bietet Tools an, die der Kunde nutzen kann um
sich z.B Portfolios und Watchlists zu generieren. Es gibt kaum noch eine Seite
die nicht in irgendeiner Art und Weise mit Personalisierung oder den daraus resultierenden
Empfehlungen arbeitet. Auch Emailanbieter, wie gmx, oder yahoo,
sowie Suchmaschinen altavista, etc. verwenden Personalisierungstechniken, um
individuelle Angebote und Werbungen an die Kunden zu verschicken.
6 Fazit
Immer mehr Menschen benutzen das Internet zum Einkaufen. Mit der wachsenden
Anzahl der Internetbenutzer, gibt es immer mehr Onlineshops, die in
einem starken Konkurrenzkampf stehen. Die Konkurrenten sind in jedem Fall
nur einen Mausklick entfernt. Für jedes Unternehmen ist die Kundenbindung
das höchste Gut, da diese eng mit dem Erfolg des Unternehmens in Verbindung
steht. Das Unternehmen kann dies über den Preis erreichen, jedoch ist dieser
alleine kein Instrument Kunden zu binden. Das wichtigste Instrument Kunden
zu binden ist die Personalisierung, da bei Preisen die Konkurrenz nachziehen
kann. Jeder einzelne Kunde muss ernst genommen, seine Bedürfnisse und seine
Beschwerden erkannt und befriedigt, bzw. ausgeräumt werden. Dafür muss das
Unternehmen ständig Informationen sammeln und dem Kunden Möglichkeiten
geben sich zu äußern, z.B. in Foren. Der After - Sale - Service ist ein probates
Mittel die Kundenzufriedenheit zu stärken, dieser Service kann ein Teil der Personalisierung
sein. Personalisierung versucht durch ständiges Datensammeln die
Kunden-Profile zu verdichten und so effektiver individualisierte Dienste anbieten
zu können, wie personalisierte Werbung und Angebote. Personalisierung ist
nur dann effektiv, wenn sie langfristig ausgelegt ist und mit qualitativ hochwertigen,
d.h. mit sehr genauen Daten arbeitet. Personalisierung bringt bei erfolgreicher
Anwendung dem Anbieter einen wirtschaftlichen Nutzen. Jedoch muss
23

der Mehraufwand an Rechnerleistung, Zeit und finanzielle Ressourcen, der für
Personalisierung notwendig ist, aus Sicht des Anbieters, ebenfalls berücksichtigt
werden.
Die Internetbenutzer haben durch Personalisierung eine Zeitersparnis, denn die
gebotene Informationsflut wird für sie selektiert, und sie bekommen nur die
gewünschten Informationen. Auch wird durch Personalisierung die Angst genommen,
wie z.B. die Anonymität des Internets. Doch die Gefahr besteht, dass
aus der durchaus gewünschten Personalisierung ein unerwünschtes Eindringen
in die Privatsphäre wird und der Kunde regelmäßig auch unerwünschte Newsletter
und Werbung bekommt. Ungeachtet dieser Gefahr ist Personalisierung eines
der wichtigsten Instrumente Kunden zu binden, Neukunden zu werben und personalisierte
Angebote zu unterbreiten.
Wir müssen innerhalb unserer Projektgruppe versuchen, möglichst viele und
korrekte Daten zu bekommen. Diese müssen in Datenbanken abgespeichert
und bereinigt werden. Darüber hinaus müssen wir auch Datenschutzrechtliche
Aspekte berücksichtigen und durch Auswahl der aufgeführten Techniken zu guten
und sinnvollen Benutzerprofilen zu kommen. Wir agieren als Kartenanbieter
und bekommen durch die Kartenanmeldung schon demographische Daten, bei
einem Einkauf mit dieser Karte bekommen wir darüber hinaus noch Transaktionsdaten.
Diese können wir mit den vorhandenen Daten und Informationen
in Verbindung stellen und dem Händler ein Benutzerprofil verkaufen, mit dem
dieser personalisierte Angebote und Werbung verschicken kann.
Glossar
A
Accounts, S.10 Zugangsberechtigung auf einem Netzwerk. Dazu benötigt man
einen Benutzernamen und ein persönliches Passwort
B
Benutzerprofil, S.9 Das Benutzerprofil enthält alle Infos, die einen Benutzer
des Netzwerkes definieren. Dazu gehören unter z.B. der Benutzername
(Kennwort), das Passwort, die Gruppen, denen der Benutzer angehört,
sowie die Rechte des Benutzers.
Betriebssystem, S.12 Grundlegendes Programm, das den Computer in die
Lage versetzt zu arbeiten. Das Betriebssystem übernimmt die Steuerung
und Verwaltung der internen Rechnerfunktionen, es legt Daten auf Datenträgern
ab und sorgt für das Wiederauffinden.
C
24

Cookies, S.6 sind kleine Textdateien, die lokal auf dem Rechner abgelegt werden,
in denen Informationen abgespeichert werden, die im Zusammenhang
der gerade betrachteten Seite im Internet steht und mit dieser kommuniziert.
H
Hit, S.10 jeder Zugriff auf einen Teil (ob Seite, Bild oder Text) eines Web-
Angebots, der im Log-File des Servers eingetragen wird.
L
Logfiles, S.10 Webserver protokollieren jeden Zugriff auf ein Element der Seite
in einer Protokolldatei, deren Format durch die Konfiguration des Servers
bestimmt wird.
P
Pull, S.10 ist das selbst bestimmte Heraussuchen von Informationen aus dem
Web.
Push, S.10 ist das ungefragte Erhalten von vorselektierten Daten aus dem
Internet. Aktiv ist der Nutzer nur bei der Auswahl seines Interessenprofils
T
Tools, S.4 Bezeichnung für kleine Hilfsprogramme, die das Arbeiten erleichtern
sollen.
Literatur
[ACPT99] Paolo Atzeni, Stefano Ceri, Stefano Paraboschi, and Riccardo Torlone.
Database Systems. McGraw-Hill Publishing Company, 1999.
[Agn01] Agnitas. Agnitas-newsletter ausgabe 24/01. www.agnitas.de/
newsletter/newsletter_24_01.htm, 2001.
[Alt03] Altavista. www.altavista.com, 2003.
[Ama03] Amazon. www.amazon.de, 2003.
[Bon99] Monica Bonett. Personalization of Web Services: Opportunities and
Challenges. unknown, 1999.
[Buc01] Robert Buchberger. Wenn es persönlich wird ... - webpersonalisierung.
http://www.contentmanager.de, 2001.
25

[CB00] M. Calkins and M. Beckley. The ten rules of web personalization.
unknown, 2000.
[com03] comdirect. www.comdirect.de, 2003.
[Del03] Dell. www.dell.com, 2003.
[Dev02] Devmag. Logfiles - die spuren eines besuchers. http://wai.devmag.
net, 2002.
[dev03] devmag. www.devmag.net, 2003.
[Dit00] Sabine Dittrich. Kundenbindung als Kernaufgabe im Marketing:
Kundenpotentiale langfristig. Thexis Verlag, St. Gallen, 2000.
[Dui01] Universität Duisburg. Clusteranalyse. http://www.uni-duisburg.
de, 2001.
[Eba03] Ebay. www.ebay.de, 2003.
[Fay96] Fayyad. Knowledge Discovery and Data Mining: Towards a Unifying
Frmework. unknown, 1996.
[Fra00] H. Frank. Data Mining, Pratical Machine Learning tools and techniques
with Java Implementations. unknown, 2000.
[gme03] globale mobile exchange. www.gmx.de, 2003.
[goo03] google. www.google.de, 2003.
[Gro01] Gartner Group. Personalisierungsanwendungen. www.
gartnergroup.de, 2001.
[Han01] Kamber Han. Data Mining, Concepts and Techniques. Witte-Verlag,
2001.
[H.F01] H.Forstinger. Recommendation systems. http://www.iicm.edu/
thesis/hforstinger/Kapitel204.pdf, 2001.
[HLHC01] Jens Herlück, Kai Larsen, Lars Kai Hansen, and Torben Christiansen.
Are all e-costumers alike? unknown, 2001.
[IBM02] IBM. Datenschutz: Datenschutzbestimmungen im web. www.ibm.
com, 2002.
[IHK01] IHK. Checkliste ecommerce für den mittelstand. http://www.
duesseldorf.ihk.de/de/InnovationundUmwelt/innovation,
2001.
[Jan99] Dieter Janetzko. Statistische Anwendung im Internet. In Netzumgebung
Daten erheben, auswerten und interpretieren. Addison Wesley,
1999.
26

[J.B96] J.Bacher. Clusteranalyse - Anwendungsorientierte Einführung. Oldenburg,
1996.
[Kra99] Jörg Krause. Electronic Commerce und Online-Marketing: Chancen,
Risiken und Strategien. Hanser Verlag, München, Wien, 1999.
[KSW00] H. Kuhn, H. Schabbel, and M. Wünsch. Personalisierung von websites.
http://www.contentmanager.de, 2000.
[Lin01] Johannes-Kepler-Universität Linz. My site! persoanlisierung von
webinhalten. http://www.unet.univie.ac.at, 2001.
[Man01] Prof. Dr. Roland Mangold. E-commerce: Kundenbindung. http:
//www.psychologie.uni-mannheim.de, 2001.
[Mün00] Westfälische Wilhelms-Universität Münster. Wissensrepräsentation
für produktkataloge im hinblick auf recommender systems. http:
//www.wi.uni-muenster.de/wi, 2000.
[MN01] Marion Murzek and Sonja Nebl. Design ansätze zur personalisierung.
http://www.ifs.univie.ac.at, 2001.
[MWJL01] Dr.Matthias Meyer, Stefan Weingärtner, Thilo Jahke, and Oliver
Lieven. Web Mining und Personalisierung in Echtzeit. Ludwig-
Maximilian-Universität München, 2001.
[NF01] S. Noller and J. Fink. Was bringt personalisierung auf meiner site?
http://www.contentmanager.de, 2001.
[Ott02] Prof. Dr. Jürgen Hans Ott. Data mining: Auswertung von daten in
data warehouses. http://www.kecos.de/script/23dmining.htm,
2002.
[Quo01] Quocirca. Personalisierungsideen. http://www.quocirca.com/,
2001.
[RK02] Kai Riemer and Stefan Klein. Personalisierung von online-shops
... und aus distanz wird nähe. http://www.firstsurf.com/
riemer0227_t.htm, 2002.
[SH02] Peter Stahlknecht and Ulrich Hasenkamp. Einführung in die Wirtschaftsinformatik.
Springer Verlag Berlin, 2002.
[Son01] Dipl.-Ing. Michael Sonntag. Personalisierung. http://www.fim.
uni-linzac.ac.at, 2001.
[Spä83] H. Späth. Cluster-Formation und -Analyse. R. Oldenbourg -Verlag,
1983.
[Sto00] Markus Stolpmann. Kundenbindung im E-Business, Loyale Kunden
- nachhaltiger Erfolg. Galileo Press, 2000.
27

[TH01] Christiane Theusinger and Klaus-Peter Huber. Analysing the footsteps
of your Costumers. unknown, 2001.
[Ulm01] Universität Ulm. Was ist personalisierung? http://www.
mathematik.uni-ulm.de/sai/ws01/portalsem/df/, 2001.
[Unk02a] Unknown. Das ende der anonymität? www und mail: Kommunikation
im internet. http://www.bsi.bund.de/literat/anonym/
wwwmail.htm, 2002.
[unk02b] unknown. Web mining oder malen nach zahlen; mustersuche:
die mining-verfahren. http://www.ecin.de/technik/
webminingprozess/index-3.html, 2002.
[Yah03] Yahoo. www.yahoo.de, 2003.
[Zie01] Gisela Ziedek. Wann personalisierungen sinn machen. http://www.
contentmanager.de, 2001.
28